Retirado do artigo Miller et al. (2019). Distance sampling in R. Journal of Statistical Sofware 89(1)
# carregar pacotes
library(Distance)
library(dplyr)
library(DT)
library(flextable)
library(ggplot2)
library(lubridate)
library(plotly)
library(readr)
library(readxl)
library(stringr)
library(tibble)
library(tidyr)
# carregar as funções da pasta R
# carregar função script_carregar_funções_pasta_r.R
source(
paste0(
here::here(),
"/R/minhas_funcoes.R"
)
)
Variáveis necessárias para o data.frame:
Region.Label: vetor fator com o estrato contendo o
transecto (pode ser uma estratificação pré-amostragem - UCs - ou
pós-amostragem - ex. região, estado, bioma)
Area: vetor numérico contendo a área do
estrato;
Sample.Label: vetor númerico contendo a identidade
(ID) do transecto
object: nome adicional, ver seção 6;
detected: nome adicional, ver seção 6;
Effort: vetor númerico contendo o esforço do
transecto (para linhas seu comprimento, para pontos o número de vezes
que o ponto foi visitado)
size: vetor numérico copntendo o tamanho do grupo
observado;
distance: vetor numérico de distâncias
observadas;
Month:
OBs:
Sp:
mas:
HAS:
Study.Area:
Transectos que foram amostrados, mas que não tiveram observações (n =
0) devem ser incluídos no conjunto de dados com NA nas
observações de distância e qualquer outra covariael para a qual não se
tenha observação.
# cutia_tap_arap |>
# complete(Region.Label, Sample.Label, sp_name) |>
# datatable(filter = list(position = "top"))
Jogar a imputacao de NAs pra dentro da funcao carregar
dados completos.
# carregar dados
cutia_tap_arap <- transforma_para_distanceR_com_repeticao_filtra_uc_sp(
nome_uc = "Resex Tapajos-Arapiuns",
nome_sp = "Dasyprocta croconota"
)
cutia_tap_arap
cutia_tap_arap |>
drop_na(distance) |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
# conduz a selecao da melhor distancia de truncamento a partir do ajsute de modelos com funcao de deteccao half-normal sem termos de ajuste
cutia_tap_arap_dist_trunc <- cutia_tap_arap |>
selecionar_distancia_truncamento()
cutia_tap_arap_dist_trunc$selecao
plotar_funcao_deteccao_selecao_distancia_truncamento(cutia_tap_arap_dist_trunc)
# ajustando a função de detecção half-normal para um truncamento de 25% dos dados
cutia_tap_arap_hn <- cutia_tap_arap |>
ajuste_modelos_distance_hn(truncamento = "25%")
# ajustando a função de detecção hazard-rate para um truncamento de 25% dos dados
cutia_tap_arap_hr <- cutia_tap_arap |>
ajuste_modelos_distance_hr(truncamento = "25%")
# ajustando a função de detecção uniforme para um truncamento de 25% dos dados
cutia_tap_arap_unif <- cutia_tap_arap |>
ajuste_modelos_distance_unif(truncamento = "25%")
lista_modelos_ajustados <- list(
`half-normal` = cutia_tap_arap_hn,
`hazard-rate` = cutia_tap_arap_hr,
uniforme = cutia_tap_arap_unif
)
selecao_funcao_deteccao_termo_ajsute <- selecionar_funcao_deteccao_termo_ajuste(lista_modelos_ajustados)
selecao_funcao_deteccao_termo_ajsute
O que tem que ter?
Os gráficos (probabilidade de detecção pela distância, com a curva ajustada, exemplo abaixo, fazer no ggplot), resultado do goodness of fit (gof_ds()), cada modelo vai ter que ter um nome diferente numa tabela(?)
plotar_funcao_deteccao_modelos_selecionados
function(dados) {
dados |>
purrr::map(
\(.x) plot(
.x,
xlab = "Distancia (m)",
ylab = "Probabilidade de detecacao"
)
)
}
<bytecode: 0x55d90ca74670>
Para visualizar quão bem a função de detecção se ajusta aos dados quanto temos as distâncias exatas podemos usar um plot de quantis empíricos x teóricos (Q-Q plot). Ele compara a função de distribuição cumulativa (CDF) dos valores ajustados da função detecção a distribuição empírica dos dados (EDF).
Também podemos usar o teste de Cramér-von Mises para testar se os pontos da EDF e da CDF tem origem na mesma distribuição. O teste usa a soma de todas as distâncias entre um ponto e a linha y = x para formar a estatística a ser testada. Um resultado significativo fornece evidência contra a hiipótese nula, sugerindo que o modelo não se ajusta bem aos dados.
# conduzindo o teste dfe bondadede ajuste de Cramer-von Mises
gof_ds(cutia_tap_arap_hn$`Sem termo`)
O resutlado do teste aponta que o modelo Half-normal deve ser descartado.
Testes de bondade de ajuste de chi-quadrado são gerados usando a
função gof_ds quando as distâncias forneceidas estão
categorizadas.
Uma vez que temos um conjunto de modelos plausíveis, podemos utilizar
o cirtériode informaçãode Akaike (AIC) para selecionar entre os modelos
o que melhor se ajusta aos dados utilizando a função
summarize_ds_models.
# gerando uma tabela de seleção de modelos usando AIC
summarize_ds_models(cutia_hn, cutia_hr_time, cutia_hr_time_size)
O melhor modelo é o Hazard-rate com tempo de senso e tamanho do grupo como covariáveis.
Para obter a abundância na região de estudo, primeiro calculamos a abundância na área amostrada para obter \(N_c\) e em seguida escalonamos esse valor para toda a área de estudo multiplicando \(N_c\) pela razão entre a área amostrada e a área da região. Para estimar a abundância na área amostrada, utilizamos as estimativas de probabilidade de detecção no estimador de Horvitz-Thompson.
Quando fornecemos os dados no formato correto (“flatfile”)
ds irá automaticamente calcular as estimativas de
abundância baseado nas informações de amostragem presenta nos dados.
summary(cutia_hn)
Summary statistics: fornece as áreas, aŕea de amostragem, esforço, número de observações, número de transectos, taxa de encontro, seus erros padrões e coeficientes de variação para cada estrato;
Abundance: fornece estimativas, erros padrões, coeficientesde variação, intervalos de confiança inferior e superior, graus de liberdade para a estimativa de abundância de cada estrato;
Densidade: lista as mesmas estatísticas de Abundance, só que para densidade.
contar_n_repeticoes_trilha() - conta o número de vezes
que cada trilha foi visitada
Ajuste Hermite pollynomial usa od código "herm"
e polinomial simples "poly".
Podemos incluir covariáveis utilizando o argumento
formula = ~ .... Abaixo, está especificado um modelo
“Hazard-rate” para os dados de cutia q ue inclui o tempo de senso como
covariável e uma distância limite de 20m.
cutia_hr_time <- cutia_tap_arap_15 |>
ds(truncation = 20,
key = "hr",
formula = ~ cense_time)
Adicionando uma segunda covariável: tamanho do grupo.
cutia_hr_time_size <- ds(data = cutia_tap_arap_15,
truncation = 20,
transect = "line",
key = "hr",
formula = ~ cense_time + size)
plot(cutia_hr_time)
plot(cutia_hr_time_size)
cutia_esec_terra_meio <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Esec da Terra do Meio",
sp_name == "Dasyprocta croconota"
) |>
drop_na(distance)
# desenha o grafico com a distribuicao de distancias perpendiculares
cutia_esec_terra_meio |>
filter(distance >= 1,
distance < 15) |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
Ajustando um modelo ao dados das cutias Dasyprocta
croconota, configurando uma distância limite de 20m e usando
Half-normal como key function usando o argumento
key, sem termo de ajuste.
cutia_esec_terra_meio_filtrado
cutia_esec_terra_meio_filtrado <- cutia_esec_terra_meio |>
filter(distance >= 1,
distance < 15)
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# dsitancias de truncamento
dist_truncamento <- list(
#`20 metros` = 20,
`15 metros` = 15,
`12 metros` = 12,
`10 metros` = 10
)
# Key function - Half-normal
cutia_esec_terra_meio_hn <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_hn(
cutia_esec_terra_meio_filtrado,
truncamento = .x
)
)
cutia_esec_terra_meio_hn
Ajustando um modelo ao dados da cutia Dasyprocta croconota,
configurando uma distância limite de 20m e usando Hazard rate
como key function usando o argumento key.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# Key function - Hazard-rate
cutia_esec_terra_meio_hr <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_hr(
cutia_esec_terra_meio_filtrado,
truncamento = .x
)
)
Ajustando um modelo ao dados das cutias Dasyprocta
croconota, configurando uma distância limite de 20m e usando
Uniform como key function usando o argumento
key, sem termo de ajuste.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# Key function - Uniform
cutia_esec_terra_meio_unif <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_unif(
cutia_tap_arap,
truncamento = .x
)
)
summarize_ds_models(
cutia_esec_terra_meio_hn$`20 metros`$`Sem termo`,
cutia_esec_terra_meio_hn$`20 metros`$Cosseno,
cutia_esec_terra_meio_hn$`20 metros`$`Hermite polinomial`,
cutia_esec_terra_meio_hr$`20 metros`$`Sem termo`,
cutia_esec_terra_meio_hr$`20 metros`$Cosseno,
cutia_esec_terra_meio_hr$`20 metros`$`Polinomial simples`,
cutia_esec_terra_meio_unif$`20 metros`$Cosseno,
cutia_esec_terra_meio_unif$`20 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_esec_terra_meio_hn$`15 metros`$`Sem termo`,
cutia_esec_terra_meio_hn$`15 metros`$Cosseno,
cutia_esec_terra_meio_hn$`15 metros`$`Hermite polinomial`,
cutia_esec_terra_meio_hr$`15 metros`$`Sem termo`,
cutia_esec_terra_meio_hr$`15 metros`$Cosseno,
cutia_esec_terra_meio_hr$`15 metros`$`Polinomial simples`,
cutia_esec_terra_meio_unif$`15 metros`$Cosseno,
cutia_esec_terra_meio_unif$`15 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_esec_terra_meio_hn$`10 metros`$`Sem termo`,
cutia_esec_terra_meio_hn$`10 metros`$Cosseno,
cutia_esec_terra_meio_hn$`10 metros`$`Hermite polinomial`,
cutia_esec_terra_meio_hr$`10 metros`$`Sem termo`,
cutia_esec_terra_meio_hr$`10 metros`$Cosseno,
cutia_esec_terra_meio_hr$`10 metros`$`Polinomial simples`,
cutia_esec_terra_meio_unif$`10 metros`$Cosseno,
cutia_esec_terra_meio_unif$`10 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_esec_terra_meio_hn$`12 metros`$`Sem termo`,
cutia_esec_terra_meio_hn$`12 metros`$Cosseno,
cutia_esec_terra_meio_hn$`12 metros`$`Hermite polinomial`,
cutia_esec_terra_meio_hr$`12 metros`$`Sem termo`,
cutia_esec_terra_meio_hr$`12 metros`$Cosseno,
cutia_esec_terra_meio_hr$`12 metros`$`Polinomial simples`,
cutia_esec_terra_meio_unif$`12 metros`$Cosseno,
cutia_esec_terra_meio_unif$`12 metros`$`Polinomial simples`
)
cutia_parna_serra_pardo <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Parna da Serra do Pardo",
sp_name == "Dasyprocta croconota"
) |>
drop_na(distance)
# desenha o grafico com a distribuicao de distancias perpendiculares
cutia_parna_serra_pardo |>
filter(distance < 15,
distance > 0) |>
plotar_distribuicao_distancia_interativo()
Ajustando um modelo ao dados das cutias Dasyprocta
croconota, configurando uma distância limite de 20m e usando
Half-normal como key function usando o argumento
key, sem termo de ajuste.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# dsitancias de truncamento
dist_truncamento <- list(
`20 metros` = 20,
`15 metros` = 15,
`10 metros` = 10,
`5 metros` = 5
)
# Key function - Half-normal
cutia_parna_serra_pardo_hn <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_hn(
cutia_parna_serra_pardo,
truncamento = .x
)
)
cutia_parna_serra_pardo_hn
Ajustando um modelo ao dados da cutia Dasyprocta croconota,
configurando uma distância limite de 20m e usando Hazard rate
como key function usando o argumento key.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# Key function - Hazard-rate
cutia_parna_serra_pardo_hr <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_hr(
cutia_parna_serra_pardo,
truncamento = .x
)
)
Ajustando um modelo ao dados das cutias Dasyprocta
croconota, configurando uma distância limite de 20m e usando
Uniform como key function usando o argumento
key, sem termo de ajuste.
# ajustando a função de detecção para uma distancia de truncamento de 20, 15, 10 e 5 metros
# Key function - Uniform
cutia_parna_serra_pardo_unif <- purrr::map(
dist_truncamento,
\(.x) ajuste_modelos_distance_unif(
cutia_parna_serra_pardo,
truncamento = .x
)
)
summarize_ds_models(
cutia_parna_serra_pardo_hn$`20 metros`$`Sem termo`,
cutia_parna_serra_pardo_hn$`20 metros`$Cosseno,
cutia_parna_serra_pardo_hn$`20 metros`$`Hermite polinomial`,
cutia_parna_serra_pardo_hr$`20 metros`$`Sem termo`,
cutia_parna_serra_pardo_hr$`20 metros`$Cosseno,
cutia_parna_serra_pardo_hr$`20 metros`$`Polinomial simples`,
cutia_parna_serra_pardo_unif$`20 metros`$Cosseno,
cutia_parna_serra_pardo_unif$`20 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_parna_serra_pardo_hn$`15 metros`$`Sem termo`,
cutia_parna_serra_pardo_hn$`15 metros`$Cosseno,
cutia_parna_serra_pardo_hn$`15 metros`$`Hermite polinomial`,
cutia_parna_serra_pardo_hr$`15 metros`$`Sem termo`,
cutia_parna_serra_pardo_hr$`15 metros`$Cosseno,
cutia_parna_serra_pardo_hr$`15 metros`$`Polinomial simples`,
cutia_parna_serra_pardo_unif$`15 metros`$Cosseno,
cutia_parna_serra_pardo_unif$`15 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_parna_serra_pardo_hn$`10 metros`$`Sem termo`,
cutia_parna_serra_pardo_hn$`10 metros`$Cosseno,
cutia_parna_serra_pardo_hn$`10 metros`$`Hermite polinomial`,
cutia_parna_serra_pardo_hr$`10 metros`$`Sem termo`,
cutia_parna_serra_pardo_hr$`10 metros`$Cosseno,
cutia_parna_serra_pardo_hr$`10 metros`$`Polinomial simples`,
cutia_parna_serra_pardo_unif$`10 metros`$`Sem termo`,
cutia_parna_serra_pardo_unif$`10 metros`$Cosseno,
cutia_parna_serra_pardo_unif$`10 metros`$`Polinomial simples`
)
summarize_ds_models(
cutia_parna_serra_pardo_hn$`5 metros`$`Sem termo`,
cutia_parna_serra_pardo_hn$`5 metros`$Cosseno,
cutia_parna_serra_pardo_hn$`5 metros`$`Hermite polinomial`,
cutia_parna_serra_pardo_hr$`5 metros`$`Sem termo`,
cutia_parna_serra_pardo_hr$`5 metros`$Cosseno,
cutia_parna_serra_pardo_hr$`5 metros`$`Polinomial simples`,
cutia_parna_serra_pardo_unif$`5 metros`$`Sem termo`,
cutia_parna_serra_pardo_unif$`5 metros`$Cosseno,
cutia_parna_serra_pardo_unif$`5 metros`$`Polinomial simples`
)
purrr::map_df(
list(
cutia_esec_terra_meio_hn$`20 metros`,
cutia_esec_terra_meio_hr$`20 metros`
),
\(.x) purrr::map_df(.x, \(.y) summarize_ds_models(.y))
)
purrr::map_df(
cutia_esec_terra_meio_hn$`15 metros`,
\(.x) summarize_ds_models(.x)
)
purrr::map_df(
cutia_esec_terra_meio_hn$`10 metros`,
\(.x) summarize_ds_models(.x)
)
purrr::map_df(
cutia_esec_terra_meio_hn$`5 metros`,
\(.x) summarize_ds_models(.x)
)
Fonte: datuopinion.com
sagui_mont_tumuc <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Parna Montanhas do Tumucumaque",
sp_name == "Saguinus midas"
) |>
drop_na(distance)
sagui_mont_tumuc |>
plotar_distribuicao_distancia_interativo()
sagui_mont_tumuc_hn <- sagui_mont_tumuc |>
ajuste_modelos_distance_hn(lista_termos_ajuste = truncamento = 10)
sagui_mont_tumuc_hr <- sagui_mont_tumuc |>
ajuste_modelos_distance_hr(truncamento = 10)
sagui_mont_tumuc_hn |>
purrr::map(\(.x) plot(.x))
sagui_mont_tumuc_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
sagui_mont_tumuc_hn$`Sem termo`,
sagui_mont_tumuc_hn$Cosseno,
sagui_mont_tumuc_hn$`Hermite polinomial`,
sagui_mont_tumuc_hr$`Sem termo`,
sagui_mont_tumuc_hr$Cosseno,
sagui_mont_tumuc_hr$`Polinomial simples`
)
sagui_mont_tumuc_hn |>
purrr::map(\(.x) gof_ds(model = .x))
sagui_mont_tumuc_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
sagui_mont_tumuc_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
sagui_mont_tumuc_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
sagui_mont_tumuc_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
sagui_mont_tumuc_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
sagui_mont_tumuc_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
sagui_mont_tumuc_hr$`Sem termo`$dht$individuals$D
Fonte: zoochat.com
cutia_alto_tarau <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Resex Alto Tarauacá",
sp_name == "Myoprocta pratti"
) |>
drop_na(distance)
cutia_alto_tarau |>
plotar_distribuicao_distancia_interativo()
cutia_alto_tarau_hn <- cutia_alto_tarau |>
ajuste_modelos_distance_hn(truncamento = 10)
cutia_alto_tarau_hr <- cutia_alto_tarau |>
ajuste_modelos_distance_hr(truncamento = 10)
cutia_alto_tarau_hn |>
purrr::map(\(.x) plot(.x))
cutia_alto_tarau_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
cutia_alto_tarau_hn$`Sem termo`,
cutia_alto_tarau_hn$Cosseno,
cutia_alto_tarau_hn$`Hermite polinomial`,
cutia_alto_tarau_hr$`Sem termo`,
cutia_alto_tarau_hr$Cosseno,
cutia_alto_tarau_hr$`Polinomial simples`
)
cutia_alto_tarau_hn |>
purrr::map(\(.x) gof_ds(model = .x))
cutia_alto_tarau_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
cutia_alto_tarau_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
cutia_alto_tarau_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
cutia_alto_tarau_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
cutia_alto_tarau_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
cutia_alto_tarau_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
cutia_alto_tarau_hr$`Sem termo`$dht$individuals$D
Fonte: zoochat.com
macaco_jaru <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Rebio do Jaru",
sp_name == "Lagothrix cana"
) |>
drop_na(distance)
macaco_jaru |>
plotar_distribuicao_distancia_interativo()
macaco_jaru_hn <- macaco_jaru |>
ajuste_modelos_distance_hn(truncamento = 20)
macaco_jaru_hr <- macaco_jaru |>
ajuste_modelos_distance_hr(truncamento = 20)
macaco_jaru_hn |>
purrr::map(\(.x) plot(.x))
macaco_jaru_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
macaco_jaru_hn$`Sem termo`,
macaco_jaru_hn$Cosseno,
macaco_jaru_hn$`Hermite polinomial`,
macaco_jaru_hr$`Sem termo`,
macaco_jaru_hr$Cosseno,
macaco_jaru_hr$`Polinomial simples`
)
macaco_jaru_hn |>
purrr::map(\(.x) gof_ds(model = .x))
macaco_jaru_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
macaco_jaru_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
macaco_jaru_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
macaco_jaru_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
macaco_jaru_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
macaco_jaru_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
macaco_jaru_hr$`Sem termo`$dht$individuals$D
Fonte: zoochat.com
cervo_tap_arap <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Resex Tapajos-Arapiuns",
sp_name == "Mazama americana"
) |>
drop_na(distance)
cervo_tap_arap |>
plotar_distribuicao_distancia_interativo()
cervo_tap_arap_hn <- cervo_tap_arap |>
ajuste_modelos_distance_hn(truncamento = 13)
cervo_tap_arap_hr <- cervo_tap_arap |>
ajuste_modelos_distance_hr(truncamento = 13)
cervo_tap_arap_hn |>
purrr::map(\(.x) plot(.x))
cervo_tap_arap_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
cervo_tap_arap_hn$`Sem termo`,
cervo_tap_arap_hn$Cosseno,
cervo_tap_arap_hn$`Hermite polinomial`,
cervo_tap_arap_hr$`Sem termo`,
cervo_tap_arap_hr$Cosseno,
cervo_tap_arap_hr$`Polinomial simples`
)
cervo_tap_arap_hn |>
purrr::map(\(.x) gof_ds(model = .x))
cervo_tap_arap_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
cervo_tap_arap_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
cervo_tap_arap_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
cervo_tap_arap_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
cervo_tap_arap_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
cervo_tap_arap_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
cervo_tap_arap_hr$`Sem termo`$dht$individuals$D
Fonte: pinterest.com
inambu_mont_tumuc <- transformar_para_distanceR_covariaveis() |>
filter(
Region.Label == "Parna Montanhas do Tumucumaque",
sp_name == "Tinamus major"
) |>
drop_na(distance)
inambu_mont_tumuc |>
plotar_distribuicao_distancia_interativo()
inambu_mont_tumuc_hn <- inambu_mont_tumuc |>
ajuste_modelos_distance_hn(truncamento = 15)
inambu_mont_tumuc_hr <- inambu_mont_tumuc |>
ajuste_modelos_distance_hr(truncamento = 15)
inambu_mont_tumuc_hn |>
purrr::map(\(.x) plot(.x))
inambu_mont_tumuc_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
inambu_mont_tumuc_hn$`Sem termo`,
inambu_mont_tumuc_hn$Cosseno,
inambu_mont_tumuc_hn$`Hermite polinomial`,
inambu_mont_tumuc_hr$`Sem termo`,
inambu_mont_tumuc_hr$Cosseno,
inambu_mont_tumuc_hr$`Polinomial simples`
)
inambu_mont_tumuc_hn |>
purrr::map(\(.x) gof_ds(model = .x))
inambu_mont_tumuc_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
inambu_mont_tumuc_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
inambu_mont_tumuc_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
inambu_mont_tumuc_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
inambu_mont_tumuc_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
inambu_mont_tumuc_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
inambu_mont_tumuc_hr$`Sem termo`$dht$individuals$D
Na primeira tentativa de ajuste do modelo distance para dados sem repetição, os dados da cutia Dasyprocta croconota, sem estratificação, para o Parna da Serra do Pardo, Esec da Terra do Meio e Resex Riozinho do Anfrísio. Em seguida, os dados da mesma espécie serão analisados para Resex Tapajós-Arapiuns estratificados por ano.
Fonte: biolib.cz
dasy_croc_serra_pardo_quase_sem_repeticao <- transforma_para_dsitanceR_quase_sem_repeticao_filtra_uc_sp(
dados = dados_selecionados,
nome_uc = "Parna da Serra do Pardo",
nome_sp = "Dasyprocta croconota"
)
dasy_croc_serra_pardo_quase_sem_repeticao
dasy_croc_serra_pardo_quase_sem_repeticao |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
dasy_croc_serra_pardo_quase_sem_repeticao_hn <- dasy_croc_serra_pardo_quase_sem_repeticao |>
ajuste_modelos_distance_hn(truncamento = 11)
dasy_croc_serra_pardo_quase_sem_repeticao_hr <- dasy_croc_serra_pardo_quase_sem_repeticao |>
ajuste_modelos_distance_hr(truncamento = 11)
dasy_croc_serra_pardo_quase_sem_repeticao_hn |>
purrr::map(\(.x) plot(.x))
dasy_croc_serra_pardo_quase_sem_repeticao_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
dasy_croc_serra_pardo_quase_sem_repeticao_hn$`Sem termo`,
dasy_croc_serra_pardo_quase_sem_repeticao_hn$Cosseno,
dasy_croc_serra_pardo_quase_sem_repeticao_hn$`Hermite polinomial`,
dasy_croc_serra_pardo_quase_sem_repeticao_hr$`Sem termo`,
dasy_croc_serra_pardo_quase_sem_repeticao_hr$Cosseno,
dasy_croc_serra_pardo_quase_sem_repeticao_hr$`Polinomial simples`
)
dasy_croc_serra_pardo_quase_sem_repeticao_hn |>
purrr::map(\(.x) gof_ds(model = .x))
dasy_croc_serra_pardo_quase_sem_repeticao_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_serra_pardo_quase_sem_repeticao_hn$Cosseno$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_serra_pardo_quase_sem_repeticao_hn$Cosseno$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade estimada, coeficiente de variação da densidade estimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_serra_pardo_quase_sem_repeticao_hn$Cosseno$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_serra_pardo_quase_sem_repeticao_hr$`Polinomial simples`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_serra_pardo_quase_sem_repeticao_hr$`Polinomial simples`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_serra_pardo_quase_sem_repeticao_hr$`Polinomial simples`$dht$individuals$D
Fonte: biolib.cz
dasy_croc_terra_meio_quase_sem_repeticao <- transforma_para_dsitanceR_quase_sem_repeticao_filtra_uc_sp(
dados = dados_selecionados,
nome_uc = "Esec da Terra do Meio",
nome_sp = "Dasyprocta croconota"
)
dasy_croc_terra_meio_quase_sem_repeticao
dasy_croc_terra_meio_quase_sem_repeticao |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
dasy_croc_terra_meio_quase_sem_repeticao_hn <- dasy_croc_terra_meio_quase_sem_repeticao |>
ajuste_modelos_distance_hn(truncamento = 10)
dasy_croc_terra_meio_quase_sem_repeticao_hr <- dasy_croc_terra_meio_quase_sem_repeticao |>
ajuste_modelos_distance_hr(truncamento = 10)
dasy_croc_terra_meio_quase_sem_repeticao_hn |>
purrr::map(\(.x) plot(.x))
dasy_croc_terra_meio_quase_sem_repeticao_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
dasy_croc_terra_meio_quase_sem_repeticao_hn$`Sem termo`,
dasy_croc_terra_meio_quase_sem_repeticao_hn$Cosseno,
dasy_croc_terra_meio_quase_sem_repeticao_hn$`Hermite polinomial`,
dasy_croc_terra_meio_quase_sem_repeticao_hr$`Sem termo`,
dasy_croc_terra_meio_quase_sem_repeticao_hr$Cosseno,
dasy_croc_terra_meio_quase_sem_repeticao_hr$`Polinomial simples`
)
dasy_croc_terra_meio_quase_sem_repeticao_hn |>
purrr::map(\(.x) gof_ds(model = .x))
dasy_croc_terra_meio_quase_sem_repeticao_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_terra_meio_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_terra_meio_quase_sem_repeticao_hn$Cosseno$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade estimada, coeficiente de variação da densidade estimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_terra_meio_quase_sem_repeticao_hn$Cosseno$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_terra_meio_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_terra_meio_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_terra_meio_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$D
Fonte: biolib.cz
dasy_croc_rio_anfr_quase_sem_repeticao <- transforma_para_dsitanceR_quase_sem_repeticao_filtra_uc_sp(
dados = dados_selecionados,
nome_uc = "Resex Riozinho do Anfrísio",
nome_sp = "Dasyprocta croconota"
)
dasy_croc_rio_anfr_quase_sem_repeticao
dasy_croc_rio_anfr_quase_sem_repeticao |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
dasy_croc_rio_anfr_quase_sem_repeticao_hn <- dasy_croc_rio_anfr_quase_sem_repeticao |>
ajuste_modelos_distance_hn(truncamento = 11)
dasy_croc_rio_anfr_quase_sem_repeticao_hr <- dasy_croc_rio_anfr_quase_sem_repeticao |>
ajuste_modelos_distance_hr(truncamento = 11)
dasy_croc_rio_anfr_quase_sem_repeticao_hn |>
purrr::map(\(.x) plot(.x))
dasy_croc_rio_anfr_quase_sem_repeticao_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
dasy_croc_rio_anfr_quase_sem_repeticao_hn$`Sem termo`,
dasy_croc_rio_anfr_quase_sem_repeticao_hn$Cosseno,
dasy_croc_rio_anfr_quase_sem_repeticao_hn$`Hermite polinomial`,
dasy_croc_rio_anfr_quase_sem_repeticao_hr$`Sem termo`,
dasy_croc_rio_anfr_quase_sem_repeticao_hr$Cosseno,
dasy_croc_rio_anfr_quase_sem_repeticao_hr$`Polinomial simples`
)
dasy_croc_rio_anfr_quase_sem_repeticao_hn |>
purrr::map(\(.x) gof_ds(model = .x))
dasy_croc_rio_anfr_quase_sem_repeticao_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_rio_anfr_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_rio_anfr_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade estimada, coeficiente de variação da densidade estimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_rio_anfr_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_rio_anfr_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_rio_anfr_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_rio_anfr_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$D
Fonte: biolib.cz
dasy_croc_tap_arap_quase_sem_repeticao <- transforma_para_dsitanceR_quase_sem_repeticao_filtra_uc_sp(
dados = dados_selecionados,
nome_uc = "Resex Tapajos-Arapiuns",
nome_sp = "Dasyprocta croconota"
)
dasy_croc_tap_arap_quase_sem_repeticao
dasy_croc_tap_arap_quase_sem_repeticao |>
plotar_distribuicao_distancia_interativo(largura_caixa = 1)
dasy_croc_tap_arap_quase_sem_repeticao_hn <- dasy_croc_tap_arap_quase_sem_repeticao |>
ajuste_modelos_distance_hn(truncamento = 11)
dasy_croc_tap_arap_quase_sem_repeticao_hr <- dasy_croc_tap_arap_quase_sem_repeticao |>
ajuste_modelos_distance_hr(truncamento = 11)
dasy_croc_tap_arap_quase_sem_repeticao_hn |>
purrr::map(\(.x) plot(.x))
dasy_croc_tap_arap_quase_sem_repeticao_hr |>
purrr::map(\(.x) plot(.x))
summarize_ds_models(
dasy_croc_tap_arap_quase_sem_repeticao_hn$`Sem termo`,
dasy_croc_tap_arap_quase_sem_repeticao_hn$Cosseno,
dasy_croc_tap_arap_quase_sem_repeticao_hn$`Hermite polinomial`,
dasy_croc_tap_arap_quase_sem_repeticao_hr$`Sem termo`,
dasy_croc_tap_arap_quase_sem_repeticao_hr$Cosseno,
dasy_croc_tap_arap_quase_sem_repeticao_hr$`Polinomial simples`
)
dasy_croc_tap_arap_quase_sem_repeticao_hn |>
purrr::map(\(.x) gof_ds(model = .x))
dasy_croc_tap_arap_quase_sem_repeticao_hr |>
purrr::map(\(.x) gof_ds(model = .x))
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_tap_arap_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_tap_arap_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade estimada, coeficiente de variação da densidade estimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_tap_arap_quase_sem_repeticao_hn$`Sem termo`$dht$individuals$D
# área de estudo, tamanho da área de estudo, area coberta pelo esforço amostral, esforço amostral em metros, número de detecções, número de transectos (ea), taxa de encontro, coeficiente de variação da taxa de encontro
dasy_croc_tap_arap_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$summary[1:9]
# área de estudo, tamanho da área de estudo, trilhas ou estações amostrais, esforço total em cada trilha, abundância estimada em cada estação amostral, número de detecções em cada estação amostral, área total amostrada
dasy_croc_tap_arap_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$Nhat.by.sample[1:8]
# total, densidade estimada, erro padrão da densidade destimada, coeficiente de variação da densidade destimada, intervalo de confiança inferior e superior do coeficiente de variação, gruas de liberdade
dasy_croc_tap_arap_quase_sem_repeticao_hr$`Sem termo`$dht$individuals$D